Article de recherche

Construction d’un modèle de reconnaissance des préférences de genres musicaux basé sur l’apprentissage profond

DOI :

10.3791/70514

⸱

26 mai 2026

1College of Teacher Education, Quzhou University

Dans cet article

Résumé

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Cette étude a construit un modèle d’apprentissage profond utilisant les signaux EEG et la familiarité musicale pour prédire la préférence des genres musicaux. Les données ont été collectées avec un appareil Muse S à faible coût et analysées à l’aide d’un modèle CNN+RNN et d’un modèle EEGNet. La familiarité a considérablement amélioré la précision, atteignant jusqu’à 99 %, montrant sa valeur importante dans la prédiction des préférences.

Résumé

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Avec la prévalence croissante des problèmes de santé mentale, la musicothérapie a attiré l’attention en tant qu’intervention non pharmacologique, et les techniques d’apprentissage profond se sont révélées prometteuses dans la reconnaissance des émotions musicales et la prédiction des préférences. Cette étude a construit un modèle de réseau de neurones profond (CNN+RNN/EEGNet) pour identifier efficacement les préférences de type musical et examiner l’influence de la familiarité des utilisateurs sur la précision des prédictions. Les signaux EEG étaient collectés à l’aide d’un dispositif portable Muse S à quatre canaux, et les scores de familiarité utilisateur étaient utilisés comme caractéristiques d’entrée. L’étude a suivi un flux de travail en quatre étapes : préparation, conception expérimentale, construction du modèle et analyse des résultats. Dans la conception expérimentale, la musique a été classée en rock, ballade et folk, et des données EEG ainsi que des notes de familiarité ont été collectées pour chaque catégorie. Les données ont été entraînées et testées à l’aide de modèles CNN+RNN ou EEGNet, et la performance du modèle a été évaluée par validation croisée au niveau du sujet à 10 fois. Les résultats ont indiqué que prédire tous les types de musique uniquement avec des données EEG a permis d’obtenir une précision de 82,28 ± 3,42 %. Pour les types de musique individuels, les précisions étaient de 91,13 ± 3,60 % (rock), 91,83 ± 2,07 % (ballade), et 87,87 ± 4,76 % (folk). En intégrant la familiarité utilisateur comme fonctionnalité et en utilisant un résultat de classification multi-niveaux, la précision globale des prédictions augmentait à 94,94 ± 1,61 %, tandis que les précisions individuelles des types musicaux atteignaient 99,15 ± 1,56 % (rock), 98,51 ± 2,30 % (ballade), et 98,21 ± 2,60 % (folk). Ces résultats démontrent que combiner des caractéristiques de familiarité avec un système de notation multi-niveaux améliore considérablement la prédiction des préférences musicales. En utilisant un dispositif EEG Muse S portable et abordable et en tirant parti de la familiarité de l’utilisateur, cette étude a développé avec succès un modèle de réseau de neurones profond très efficace (CNN+RNN/EEGNet) pour reconnaître les préférences de type musical. Les résultats indiquent que les prédictions globales et individuelles de type musical bénéficient de l’inclusion d’informations de familiarité, soulignant le potentiel de cette approche pour des recommandations musicales personnalisées et des applications de musicothérapie.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

La musique joue un rôle important dans la vie humaine, et l’utilisation généralisée des plateformes en ligne a fait de l’écoute de la musique une activité quotidienne et courante. Au-delà du divertissement, la musique agit comme un outil thérapeutique qui favorise la relaxation, réduit la douleur et soutient les personnes souffrant de troubles du développement. La préférence musicale influence directement à la fois les résultats thérapeutiques et les réponses émotionnelles. Des études antérieures montrent que la musique préférée améliore la performance physique, comme l’endurance et la capacité desprint 1, et réduit le stress et la douleur2. C’est également une intervention importante pour les personnes âgées, dans laquelle les préférences individuelles influencent l’efficacité dutraitement 3,4. La musique préférée a également démontré qu’elle diminue les fréquences cardiaques et respiratoires, favorisant la relaxation. De plus, la préférence musicale améliore la précision de la prédiction desémotions 5, renforceles réponses émotionnelles 6 et améliore la performance du modèle d’apprentissage automatique, augmentant la précision des prédictions de 53,18 % à 71,09 %. L’exposition répétée augmente encore la préférence, quel que soit le biaisinitial 7.

Malgré ces résultats, les études existantes sur la prédiction des préférences musicales restent limitées par de petites tailles d’échantillons, des tranches d’âge étroites et une prise en compte insuffisante de la familiarité des utilisateurs. Ces limitations réduisent la généralisation du modèle et l’applicabilité pratique. L’intégration de facteurs spécifiques à chaque utilisateur, tels que la familiarité, reste une approche peu explorée pour améliorer la performance des prédictions.

La reconnaissance des émotions musicales (DME) est devenue un domaine de recherche actif, et sa précision est influencée par la préférence musicale et la familiarité 8,9,10,11. Les participants fournissent des évaluations émotionnelles plus cohérentes lorsqu’ils sont exposés à une musique familière et préférée, et l’augmentation de la familiarité améliore la précision de la reconnaissance tant dans les contextes expérimentaux qu’éducatifs 12,13,14,15,16,17. Ces résultats mettent en avant la familiarité comme un facteur critique à la fois dans la reconnaissance des émotions et la prédiction des préférences.

L’apprentissage profond, basé sur des réseaux de neurones artificiels, permet l’extraction automatique de caractéristiques de haute dimension et démontre une meilleure reconnaissance de motifs que les modèlessuperficiels 18, 19, 20. Les techniques d’apprentissage profond ont également été largement appliquées à des tâches liées à la musique, notamment la classification des genres, la reconnaissance du signal et les systèmes de recommandationpersonnalisés 21,22,23,24,25,26. L’électroencéphalographie (EEG) est largement utilisée pour mesurer l’activité électrique cérébrale sur des bandes de fréquences (Tableau 1) pour l’analyse cognitive et émotionnelle27,28. L’intégration de l’EEG avec l’apprentissage profond offre un cadre efficace pour capturer les réponses neuronales aux préférences musicales.

Les systèmes EEG traditionnels nécessitent souvent des électrodes à base de gel et des équipements coûteux, limitant leur applicabilité dans des contextes réels. Les dispositifs EEG portables avec électrodes sèches offrent une alternative pratique, offrant un coût réduit, une meilleure utilisabilité et une plus grande flexibilité. Le dispositif Muse S enregistre les signaux des régions clés du cerveau (TP9, TP10, AF7, AF8) à 256 Hz, permettant une acquisition de données fiable et évolutive pour des expériences contrôlées et des applications réelles.

Cette étude aborde les limites identifiées en combinant les signaux EEG avec des fonctionnalités de familiarité utilisateur pour prédire les préférences musicales à l’aide de modèles d’apprentissage profond. Les architectures CNN+RNN et EEGNet sont utilisées pour extraire à la fois les caractéristiques temps-fréquence et les dépendances temporelles, permettant une meilleure représentation des signaux EEG par rapport aux approches traditionnelles. L’étude teste deux hypothèses : (1) la familiarité musicale des utilisateurs améliore la précision de la prédiction des préférences basée sur l’EEG ; (2) les modèles spécifiques à un genre (rock, lyrique et folk) surpassent les modèles entraînés sur des catégories mixtes.

Une cohorte de 30 adultes en bonne santé avec une répartition équilibrée des genres a été incluse. Bien que la taille limitée de l’échantillon et l’utilisation de l’EEG à quatre canaux limitent la généralisation et la résolution du signal, l’intégration des fonctionnalités de familiarité avec les modèles d’apprentissage profond permet une performance de prédiction robuste. Les objectifs sont de classer les genres musicaux et d’effectuer des prédictions individuelles pour chaque catégorie, ainsi que d’intégrer la familiarité des utilisateurs comme fonctionnalité pour améliorer la précision des prédictions.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Cette étude a été menée conformément aux directives du Comité d’éthique de l’Université de Quzhou. Le protocole de recherche a été approuvé par le Conseil d’Éthique Institutionnelle (IRB) de l’Université de Quzhou sous le numéro d’approbation QZU-IRB-2026-037. Tous les participants ont donné leur consentement éclairé avant leur inclusion dans l’étude.

Préparation expérimentale et recrutement des participants
L’expérience se composait de quatre étapes (Figure 1) : préparation, conception expérimentale, construction du modèle et analyse des résultats. Lors de la phase de préparation, les objectifs de recherche ont été définis sur la base d’une revue de la littérature sur la musicothérapie, l’acquisition de données EEG et les modèles d’apprentissage profond. Lors de la phase de conception expérimentale, 30 participants en bonne santé ont été recrutés pour effectuer des tâches d’écoute musicale. Les signaux EEG et les notes de familiarité musicale ont été enregistrés. Les données EEG ont été standardisées et segmentées en fenêtres de 2048 échantillons avec 1024 échantillons qui se chevauchent. Les caractéristiques de familiarité ont été combinées avec des données EEG comme entrées de modèles. Deux modèles, CNN+RNN et EEGNet, ont été construits. Les couches CNN extrayaient les caractéristiques temps-fréquence, et le LSTM bidirectionnel capturait les dépendances temporelles. Une couche entièrement connectée avec une fonction d’activation softmax a été utilisée pour la classification. Les modèles étaient entraînés avec une taille de lot de 50 pour 30 époques en utilisant l’optimiseur Adam. Un abandon et un arrêt anticipé ont été appliqués. La performance a été principalement évaluée en utilisant la Précision comme métrique rapportée, avec des métriques de Précision, de Rappel et de score F1 également calculées pour une évaluation supplémentaire.

Environnement expérimental et installation des équipements
L’expérience a été menée dans une pièce silencieuse et fermée, exempte d’interférences extérieures, avec une température ambiante maintenue à 27 °C. L’équipement suivant a été utilisé : un dispositif EEG (Muse S, InteraXon Inc.), un système EEG à quatre canaux (TP9, AF7, AF8, TP10) avec une fréquence d’échantillonnage de 256 Hz ; Derniers casques intra-auriculaires E3000 ; et un ordinateur d’acquisition de données fonctionnant sous le SDK Muse et la couche de streaming de laboratoire (LSL).

Avant chaque séance expérimentale, les surfaces de contact auditif des écouteurs étaient nettoyées à l’alcool afin d’assurer l’hygiène et de réduire le risque de contamination croisée. Le casque Muse S était installé sur chaque participant, assurant un contact stable entre les quatre électrodes sèches (TP9, AF7, AF8, TP10) et la peau. Si la qualité du signal était mauvaise, la position du bandeau était ajustée jusqu’à obtenir des signaux stables. Les participants ont été assis sur un fauteuil confortable avec un soutien pour le dos et ont été invités à garder les yeux fermés, à éviter de parler et à minimiser les mouvements corporels importants pendant l’expérience.

Préparation des stimuli musicaux
Trois genres musicaux ont été préparés : rock, lyrique (ballade) et folk. Chaque genre comprenait trois chansons chinoises, pour un total de neuf chansons. Pour contrôler les différences de familiarité musicale, les chansons de chaque genre étaient sélectionnées selon les critères suivants : une vieille chanson ; une chanson populaire actuelle (issue du classement Spotify Top Songs) ; et une nouvelle chanson (tirée du classement Spotify New Releases).

Chaque chanson était montée en un segment audio standardisé, commençant par l’introduction, suivi du couplet, et se terminant au premier refrain, avec une durée totale de 90 à 130 s. Un identifiant unique était attribué à chaque chanson (par exemple, R1–R3, B1–B3, F1–F3) pour l’étiquetage ultérieur des données et la gestion des fichiers.

Procédure expérimentale et enregistrement par questionnaire
Avant l’expérience formelle, un test de volume était réalisé en diffusant un extrait audio de test. Les participants ont ajusté le volume à un niveau clair, confortable et sans trop fort, et l’ont maintenu constant tout au long de l’expérience. L’ordre de lecture des neuf chansons était aléatoire (par exemple, en utilisant un tableau des nombres aléatoires ou une randomisation logicielle) afin de réduire les effets d’ordre. Tous les participants ont accompli les tâches d’écoute musicale de manière indépendante. Chaque segment musical était présenté de l’introduction jusqu’au premier refrain, durant 90 à 130 secondes. Une période de repos de 30 secondes était prévue entre les chansons. Pendant cette période, les participants ont rempli un questionnaire de familiarité via une plateforme en ligne (Questionnaire Star). Les participants ont évalué leur familiarité avec chaque chanson à l’aide d’une échelle de Likert à cinq points (1 = totalement inconnu ; 5 = très familière). L’étiquette de préférence du participant pour chaque chanson a été enregistrée (0 = n’aime pas ; 1 = j’aime) selon le schéma de classification binaire prédéfini. La procédure expérimentale complète est illustrée à la Figure 2.

Acquisition EEG et enregistrement des données
Les données EEG étaient acquises via le SDK officiel Muse et diffusées via la couche de diffusion Lab Streaming (LSL). Les données EEG correspondantes à chaque chanson étaient enregistrées sous forme de fichiers CSV (Comma-Separated Values), contenant au minimum les champs suivants : horodatage (millisecondes) ; des signaux EEG bruts provenant de quatre canaux (TP9, AF7, AF8, TP10) ; score de familiarité enregistré manuellement (1–5) ; et étiquette de préférence (0/1). Une convention cohérente de nommage de fichiers a été utilisée (par exemple, S01_R1.csv, indiquant participant 01 et chanson rock 1) pour faciliter le traitement automatisé et la traçabilité.

Prétraitement, normalisation et fenêtrage des données
Les signaux EEG étaient enregistrés à l’aide d’un appareil EEG Muse S à quatre canaux avec une fréquence d’échantillonnage de 256 Hz, et des programmes personnalisés étaient développés à l’aide du kit de développement officiel. Les données EEG brutes étaient acquises via la couche de diffusion de laboratoire (LSL) et enregistrées au format CSV. Les fichiers CSV comprenaient les colonnes suivantes : horodatage (millisecondes), valeurs EEG à quatre canaux (TP9, AF7, AF8, TP10), notes de familiarité musicale des utilisateurs (1–5) et préférences musicales des utilisateurs.

Le nombre total d’entrées de données correspond à plusieurs fenêtres générées pour chaque participant et chaque morceau musical, ce qui donne un ensemble de données à grande échelle selon le schéma de fenêtrement. Dans l’expérience originale, la préférence musicale était représentée par une étiquette binaire (0 = n’aime pas, 1 = aime), ce qui peut conduire à une précision artificiellement élevée et à une généralisation limitée du modèle.

Pour améliorer la portée pratique de la tâche de prédiction, les étiquettes de préférence ont été converties en une échelle de notation multi-niveaux : 0 = Fortement en désaccord ; 1 = Désaccord ; 2 = Neutre ; 3 = D’accord ; 4 = Totalement d’accord.

Avant l’apprentissage automatique, les données étaient standardisées et segmentées en fenêtres de 2048 échantillons chacune, avec 1024 échantillons chevauchant entre des fenêtres adjacentes afin de préserver la continuité temporelle. De plus, l’augmentation des données a été appliquée pour augmenter le nombre d’échantillons d’entraînement et réduire le risque de sur-ajustement.

Architecture du modèle
Le modèle de recherche se composait de trois couches convolutionnelles, trois couches de pooling et une couche entièrement connectée. Le pooling max était utilisé pour la sélection des caractéristiques, le dropout était appliqué pour réduire le surapprentissage, et la sortie finale était générée à l’aide d’une couche de classification softmax. Chaque fenêtre d’entrée comprenait des signaux EEG à quatre canaux (2048 échantillons par fenêtre) et une fonction de familiarité. La production représentait une cote de préférence de cinq classes. L’architecture est illustrée à la Figure 3, et les paramètres du modèle sont présentés dans le Tableau 2.

Entraînement et validation croisée du modèle
Le jeu de données a été divisé aléatoirement en 80 % pour l’entraînement et 20 % pour les tests. Une validation croisée dix fois a été appliquée, avec un sous-ensemble utilisé pour la validation et les neuf autres pour l’entraînement à chaque itération. Ce processus a été répété dix fois, et les résultats ont été agrégés. Les hyperparamètres d’entraînement étaient définis comme suit : Époques = 30 ; Taille du lot = 50 ; Optimiseur = Adam ; Fonction de perte = croisée catégorielle ; Métrique d’évaluation = Précision. La performance du modèle a été enregistrée uniquement en EEG et EEG + familiarité, à la fois pour tous les genres réunis et pour les genres individuels.

Méthodes d’analyse statistique
L’analyse des données a été réalisée avec Python 3.10 avec TensorFlow 2.12, Keras 2.12 et MNE-Python 1.3. Le traitement et l’analyse des données ont été réalisés à l’aide de Pandas 2.1 et NumPy 1.26. Les indicateurs de performance issus de la validation croisée 10 fois ont été agrégés, et les valeurs de moyenne et d’écart-type ont été calculées. Des comparaisons statistiques entre les conditions ont été réalisées à l’aide de tests t par paires ou de tests Wilcoxon signed-rank, avec un niveau de signification de P < 0,05.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

La performance du modèle a été évaluée sous deux conditions : (1) uniquement les caractéristiques EEG et (2) les caractéristiques EEG combinées à la familiarité musicale. La classification était réalisée à la fois pour des catégories musicales combinées et individuelles (rock, lyrique et folk).

Le tableau 3 présente les résultats obtenus uniquement avec des caractéristiques EEG, tandis que le tableau 4 présente les résultats obtenus avec des c...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Les études précédentes sur la prédiction des préférences musicales basées sur l’EEG se sont largement appuyées sur des systèmes multi-canaux, limitant l’application pratique 21,22,23,24,25,26. Dans cette étude, un dispositif EEG portable à quatre canaux (Muse S) a atteint des performances com...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

L’auteur n’a aucun conflit d’intérêts à divulguer.

Remerciements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

L’auteur remercie chaleureusement le soutien et les installations fournis par l’institution de recherche au cours de cette étude. Un merci tout particulier est adressé au personnel du laboratoire pour son aide dans les procédures techniques.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Lingettes alcooliséesN’importe quel fournisseur standardN/AUtilisé pour nettoyer les écouteurs entre les participants
Ordinateur d’acquisition de donnéesN’importe quel fabricant standardN/AExécute le SDK Muse et la couche de streaming de laboratoire (LSL)
Casque EEG (Muse S)InteraXon Inc.https://choosemuse.com/muse-s/Dispositif EEG portable à quatre canaux (TP9, AF7, AF8, TP10)
Casque intra-auriculaire Final E3000Conception audio finalehttps://snext-final.com/en/products/detail/E3000Utilisé pour la lecture audio lors d’expériences
Logiciel de couche de diffusion de laboratoire (LSL)Open sourcehttps://github.com/sccn/labstreaminglayerUtilisé pour le flux de données EEG
Muse SDKInteraXon Inc.https://developer.choosemuse.com/Utilisation pour l’acquisition de données EEG
Questionnaire Star (plateforme en ligne)Changsha Ranxing Information Technology Co., Ltd.https://www.wjx.cn/Utilisé pour la collecte de données de familiarité
Python 3.10Fondation Python Softwarehttps://www.python.org/downloads/Utilisé pour le traitement et l’analyse de données
TensorFlow 2.12Googlehttps://www.tensorflow.org/Cadre d’apprentissage profond
Keras 2.12Googlehttps://keras.io/API de réseau neuronal
MNE-Python 1.3Open sourcehttps://mne.tools/stable/index.htmlAnalyse des données EEG
NumPy 1.26Open sourcehttps://numpy.org/Calcul numérique
Pandas 2.1Open sourcehttps://pandas.pydata.org/Manipulation des données

Références

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Ballmann, C. G., McCullum, M. J., Rogers, R. R., Marshall, M. R., Williams, T. D. Effects of preferred vs. nonpreferred music on resistance exercise performance. J. Strength Cond. Res. 35 (6), 1650-1655 (2021).
  2. Banks, D. Neurotechnology: microelectronics. Handbook of Neuroprosthetic Methods. Finn, W. E., LoPresti, P. G. , CRC Press. Boca Raton, FL. 361-400 (2002).
  3. Aldridge, D. An overview of music therapy research. Complement. Ther. Med. 2, 204-216 (1994).
  4. Hillecke, T., Nickel, A., Bolay, H. V. Scientific perspectives on music therapy. Ann. N. Y. Acad. Sci. 1060, 271-282 (2005).
  5. Lai, H. L. Music preference and relaxation in Taiwanese elderly people. Geriatr. Nurs. 25 (5), 286-291 (2004).
  6. Kreutz, G., Lotze, M. Neuroscience of music and emotion. Neurosciences in Music Pedagogy. Rauscher, F., Gruhn, W. , Nova Science Publishers. New York. 143-167 (2007).
  7. Madison, G., Schiölde, G. Repeated listening increases the liking for music regardless of its complexity: implications for the appreciation and aesthetics of music. Front. Neurosci. 11, 147(2017).
  8. Pereira, C. S., et al. Music and emotions in the brain: familiarity matters. PLoS One. 6 (11), e27241(2011).
  9. Hamlen, K. R., Shuell, T. J. The effects of familiarity and audiovisual stimuli on preference for classical music. Bull. Counc. Res. Music Educ. 168, 21-34 (2006).
  10. Liu, W. J. Unit learning in junior high school music class based on deep understanding. Prim. Second. Sch. Music Educ. 3, 5(2022).
  11. A vocal range balancing method, device, and system based on deep learning. China Patent. , CN109147807B (2024).
  12. Yin, D. H. Constructing a music classroom teaching paradigm from the perspective of deep learning (Part 2). Prim. Second. Sch. Music Educ. 6, 4(2022).
  13. Zhang, C., Shi, T., Ai, J., Tian, W. Construction of GUI elements recognition model for AI testing based on deep learning. Proceedings of the 2021 8th International Conference on Dependable Systems and Their Applications (DSA), , 508-515 (2021).
  14. Shi, Y., Ko, Y. C. Construction of English pronunciation judgment and detection model based on deep learning neural networks data stream fusion. Int. J. Pattern Recognit. Artif. Intell. 36 (6), 2252011(2022).
  15. Li, X. H., et al. Survey of remote sensing image registration based on deep learning. Natl. Remote Sens. Bull. 27 (2), 267-284 (2023).
  16. Bishop, C. M., Nasrabadi, N. M. Pattern recognition and machine learning. , Springer. New York. (2006).
  17. Goodfellow, I., Bengio, Y., Courville, A. Deep learning. , MIT Press. Cambridge, MA. (2016).
  18. LeCun, Y., Bengio, Y., Hinton, G. Deep learning. Nature. 521, 436-444 (2015).
  19. Janiesch, C., Zschech, P., Heinrich, K. Machine learning and deep learning. Electron. Mark. 31 (3), 685-695 (2021).
  20. A deep learning-based system and method for Gongche notation character recognition. China Patent. , CN202210650096.0 (2024).
  21. Sun, L. Y. Research on music genre classification and generation technology based on deep learning. , Nanjing Audit University. Nanjing, China. Master's thesis (2022).
  22. Gan, Q. Deep learning-based electronic music signal recognition method. Inf. Comput. 35, 54-56 (2023).
  23. Zhang, H. Building a music teaching and research community using deep learning. Music World. 1, 16-19 (2022).
  24. Liu, L., Kong, M., Cao, C., Shu, Z., Liu, K., et al. Personalized music recommendation algorithm based on machine learning. Multimed. Syst. 31, 166(2025).
  25. Naser, D. S., Saha, G. Influence of music liking on EEG-based emotion recognition. Biomed. Signal Process. Control. 64, 102251(2021).
  26. Cannard, C., Brandmeyer, T., Wahbeh, H., Delorme, A. Self-health monitoring and wearable neurotechnologies. Handbook of Clinical Neurology. Ramsey, N. F., Millán, J. delR. 168, 207-232 (2020).
  27. Kumari, P., Vaish, A. Brainwave-based user identification system: a pilot study in robotics environment. Robot. Auton. Syst. 65, 15-23 (2015).
  28. Asif, A., Majid, M., Anwar, S. M. Human stress classification using EEG signals in response to music tracks. Comput. Biol. Med. 107, 182-196 (2019).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

Reconnaissance des genres musicauxMod le d apprentissage profondAnalyse des signaux EEGPr diction des pr f rences musicalesMod le CNN RNNArchitecture EEGNetCaract ristique de familiarit de l utilisateurDispositif Muse SApplication de musicoth rapieRecommandation musicale personnalis e

Articles connexes